图解Windows10+优麒麟双系统安装

为防止超速翻车,建议通读全文后再进行操作。

(此处双系统以 Windows 10+优麒麟 20.04 LTS Pro 为例,其他版本的系统仅供参考)

01

安装前的准备

四小步

第一步:查看电脑基础信息

按”win+r”快捷键回车确认,输入”msinfo32″,回车,出现系统信息界面,可查看 BIOS 模式:

BIOS 有多种模式,此教程以 UEFI 模式为例;

第二步:下载优麒麟镜像

官网下载:(www.ubuntukylin.com/downloads/)

页面下方还有多个开源镜像站下载途径可供选择;

注:下载完成后,为确认优麒麟系统镜像的完整性,可以使用 MD5 校验工具(网页搜索下载即可)验证 MD5 值与官网的是否一致。

第三步:准备一个 U 盘

打开冰箱门,拿出一个新鲜的U盘(或移动硬盘、DVD,此处以 U 盘为例)插在电脑上

要求:U 盘内存大于 4G;

第四步:制作启动盘

此处推荐 Ventoy,下载链接:https://www.lanzoui.com/b01bd54gb

选择结尾为 windows.zip 的最新版本进行下载解压,接着进入解压目录,双击运行 Ventoy2Disk.exe。

运行界面如下图所示:

① 是插入的 U 盘信息;

② 是此 Ventoy 的版本信息;

③ 是 U 盘内的 Ventoy 版本信息(没有安装 Ventoy 的显示为空);

④ 是安装选项,点击安装,就可以将 Ventoy 安装进对应的 U 盘里;

注:此处安装会提示是否格式化,也就是清空 U 盘内的所有数据,请提前将 U 盘原有数据备份。

安装完成后,设备内部 Ventoy 的版本信息就会显示出来,若内部版本低于安装包版本我们可以点击下方的“升级”选择进行升级。

注:升级操作是安全的,不会让 U 盘里已有的镜像文件丢失。

Ventoy 安装成功后,将优麒麟系统的镜像文件复制进到 U 盘,如下图:

此时 U 盘启动盘已经制作完成。以下为启动界面展示图:

02

安装进行时

三大步

第一步:关闭快速启动

如果不关掉可能会存在无法进入 BIOS 的情况

选择“控制面板–硬件和声音–电源选项–选择电源按钮的功能–更改当前不可用的设置”,在关机设置栏下找到“启动快速启动”,取消勾选,然后点击“保存修改”;

第二步:进行磁盘分区

磁盘分区是为了给优麒麟操作系统分配空间,默认选择分区尾部的磁盘(考虑到机械硬盘的读写特性,尽可能切靠前的分区)

首先需要在 Win10 上创建空白磁盘分区,选择“此电脑”–右键点击“管理”。

进入“计算机管理”页,点击“存储>磁盘管理”,选择要分割的磁盘空间,右键点击该磁盘,选择“压缩卷”。

此时会弹出压缩窗口,输入压缩空间量的大小,此处展示约分配 135G (空间分配建议最低不少于 30 G,如果大小不够可以重新分配一下磁盘空间,确保分区空余空间充足,原分区的大小也足够使用)。确认压缩空间量后点击“压缩”。

注:1G=1024MB,为方便计算,可以估算成 1G=1000MB。

压缩结束后,会多出一块可用空间,磁盘分区到此结束。

第三步:正式安装

插入制作好的 U 盘启动盘,重启电脑,在开机时按“F2”进入 BIOS 系统,然后在奇奇的带领下,一步步完成双系统的安装吧~

注:根据不同机型进入 BIOS 系统的快捷键有所不同,请根据自身机型搜索对应的快捷键进行操作。

首先关闭安全启动,通过左右方向键进入“Security”界面,按上下方向键移动到“Secure Boot”选项,回车进入修改状态,按上下键选择“Disabled”,回车确认。

接着通过左右方向键进入“Boot”界面,按上下方向键选择“Boot Option #1”选项卡,回车。选择启动方式为从 USB 启动,即选中自己的 U 盘,回车。

之后通过左右方向键进入“Save & Exit”界面,选择“Save Changes and Exit”,回车。在弹出的选择框里选择“Yes”,回车。

现在电脑开始重新启动,然后你会看到优麒麟开源操作系统安装的准备界面:

稍作等待,进入优麒麟新版安装界面,双击“安装 Kylin”。如下图:

接下来进入安装配置页面–选择语言、时区以及设置用户信息,大家根据自身情况进行设置哦。

直到出现选择安装方式界面,选择“自定义安装”。

注:记住我们是安装双系统,不要点击快速安装,否则有丢失数据的风险!

之后进到分区页面,如下图:

可以看到,系统已经存在 Windows 系统,“空闲”对应的就是我们刚刚压缩出来的空闲分区。 因为我们是安装双系统,所以接下来我们要做的就是将优麒麟系统安装在这个空闲分区内。

选中“空闲”分区–点击最右侧的“添加”按钮,进入新建分区页面。

首先添加根分区,奇奇在此处分配的大小是 80G,大家可以根据自身需求进行分配,但一定要确保之后有充足的空间可供使用,如下图:

由于 Windows 系统已经存在 EFI 引导分区了,所以我们再次不用添加 EFI 引导分区。

之后,添加 data 和 backup 分区,作为数据分区和备份还原分区,此处分别分配 20G。

全部分配完成后点击“下一步”,开始安装优麒麟开源操作系统。

等待安装完成,点击“现在重启”。

重启后便会出现选择系统界面,如下图:

通过上下键选择我们想要进入的系统,回车。到此,双系统已经安装好啦。

怎么样,你安装成功了吗?

03

常见问题解决方案

希望你用不到

Q:如果双系统安装完成后没有启动项选择界面,该怎么解决?

A:可能是启动项出现问题,可以下载安装用 EasyBCD 软件修复启动项。

Q:配置完分区后提示没有根分区、EFI分区、数据备份或还原分区,该怎么办?

A:根分区对应的是“/”,EFI 分区需要在分区时将“用于”类型改为 EFI,数据备份分区对应的是“/data”,还原分区对应的是“/backup”,请根据提示查找对应的分区是否创建。

Q:配置完分区提示“只能存在一个 EFI 分区”,该怎么办?

A:应该是已有的 Windows 系统也存在 EFI 分区,我们需要把自己添加的 EFI 分区进行删除。

Q:笔记本安装完双系统之后,进入 Windows 系统出现花屏,该怎么办?

A:笔记本只有集显,在系统启动时会先加载优麒麟的显卡驱动以用来加载选择系统的界面,致使在选择进入Windows时出现花屏情况
解决办法:首先,进入优麒麟系统中,打开 /etc/default/grub:
将如下语句取消注释即可(删掉 #)。
# Uncomment to disable graphical terminal (grub-pc only)
# GRUB_TERMINAL=console

Q:使用 USB 启动盘安装时,出现”try ubuntu kylin without installation”或“install ubuntu kylin”,Enter 选择“安装”后,显示器黑屏无任何显示,该怎么办?

A:

方法一:显示黑屏,可能是显卡显示的支持有问题,尝试手动修复。

移动光标到”install ubuntu kylin” , 按”e”进入编辑模式,进入命令行模式,

找到”quite splash”然后去掉”—“后,添加“nomodeset”,按  F10 安装。

注:依照不同显卡进行不同显卡驱动选项的添加,此处使用的是Nvidia显卡,添加 nomodeset。

方法二:移动光标到“Try Ubuntu Kylin without installing(safe graphics)”进入安全试用界面尝试使用。

Q:系统安装完成之后,提示未检测到无线网卡,该怎么办?

A:重启,然后在 grub 界面选择高级选项,选择低版本内核,回车,查看网络是否正常:

04

结语

投个票吧投个票吧

如果有什么看不懂的地方,或者在安装过程中出现了文章中未提及的问题,欢迎小伙伴们加入交流群一起探讨,群里不仅有 Linux 忠实爱好者,还有不定时的惊喜福利等你哦~!

扫一扫添加小优微信拉你进群:

极速上手!openEuler 24.03 搭建 llama.cpp 环境及 Benchmark 性能实测

目前,OpenAtom openEuler(简称“openEuler”或“开源欧拉”)24.03 已原生支持 llama.cpp。继上一篇《手把手实测!openEuler 24.03 部署 SGLang,Benchmark 数据出炉》之后,本文将继续围绕 AI 推理框架展开实测,带你在 openEuler 24.03 环境下从零搭建 llama.cpp。


本文从最干净的 openEuler 和 CANN 基础镜像开始,详细介绍 llama.cpp 的环境准备、源码编译及推理服务启动,并通过一轮 Random Benchmark 实测其推理性能。究竟在 openEuler 上部署 llama.cpp 的过程是否顺畅,实际性能表现如何?下面就一起动手试试。





 一、环境准备



本次实测的宿主机环境为:

项目
版本信息
OS
openEuler release 24.03   (LTS-SP4)
内核
6.6.0
Docker
18.09.0
NPU 驱动
26.0.rc1
NPU 固件
7.7.0.10.220

▏1.确保宿主机使用 openEuler 国内加速 yum 源


🖥️ 宿主机执行


运行 cat /etc/yum.repos.d/openEuler.repo 检查,如果文件不存在或者使用的源不是 openEuler 国内镜像,可以按如下修改,提升 yum install 下载速度。


以下是 openEuler 24.03 LTS SP4 镜像源配置:

#generic-repos is licensed under the Mulan PSL v2.#Youcan use this software according to the terms and conditions of the Mulan PSL v2.#You may obtain a copy of Mulan PSL v2 at:#    http://license.coscl.org.cn/MulanPSL2#THIS SOFTWARE IS PROVIDED ON AN "AS IS" BASIS, WITHOUT WARRANTIES OF ANY KIND, EITHER EXPRESS OR#IMPLIED, INCLUDING BUT NOT LIMITED TO NON-INFRINGEMENT, MERCHANTABILITY OR FIT FOR A PARTICULAR#PURPOSE.#See the Mulan PSL v2 for more details.
[OS]name=OSbaseurl=https://mirrors.huaweicloud.com/openeuler/openEuler-24.03-LTS-SP4/OS/$basearch/#metalink=https://mirrors.openeuler.org/metalink?repo=$releasever/OS&arch=$basearchmetadata_expire=1henabled=1gpgcheck=1gpgkey=http://repo.openeuler.org/openEuler-24.03-LTS-SP4/OS/$basearch/RPM-GPG-KEY-openEuler
[everything]name=everythingbaseurl=https://mirrors.huaweicloud.com/openeuler/openEuler-24.03-LTS-SP4/everything/$basearch/#metalink=https://mirrors.openeuler.org/metalink?repo=$releasever/everything&arch=$basearchmetadata_expire=1henabled=1gpgcheck=1gpgkey=http://repo.openeuler.org/openEuler-24.03-LTS-SP4/everything/$basearch/RPM-GPG-KEY-openEuler
[EPOL]name=EPOLbaseurl=https://mirrors.huaweicloud.com/openeuler/openEuler-24.03-LTS-SP4/EPOL/main/$basearch/#metalink=https://mirrors.openeuler.org/metalink?repo=$releasever/EPOL/main&arch=$basearchmetadata_expire=1henabled=1gpgcheck=1gpgkey=http://repo.openeuler.org/openEuler-24.03-LTS-SP4/OS/$basearch/RPM-GPG-KEY-openEuler
[debuginfo]name=debuginfobaseurl=https://mirrors.huaweicloud.com/openeuler/openEuler-24.03-LTS-SP4/debuginfo/$basearch/#metalink=https://mirrors.openeuler.org/metalink?repo=$releasever/debuginfo&arch=$basearchmetadata_expire=1henabled=1gpgcheck=1gpgkey=http://repo.openeuler.org/openEuler-24.03-LTS-SP4/debuginfo/$basearch/RPM-GPG-KEY-openEuler
[source]name=sourcebaseurl=https://mirrors.huaweicloud.com/openeuler/openEuler-24.03-LTS-SP4/source/#metalink=https://mirrors.openeuler.org/metalink?repo=$releasever&arch=sourcemetadata_expire=1henabled=1gpgcheck=1gpgkey=http://repo.openeuler.org/openEuler-24.03-LTS-SP4/source/RPM-GPG-KEY-openEuler
[update]name=updatebaseurl=https://mirrors.huaweicloud.com/openeuler/openEuler-24.03-LTS-SP4/update/$basearch/#metalink=https://mirrors.openeuler.org/metalink?repo=$releasever/update&arch=$basearchmetadata_expire=1henabled=1gpgcheck=1gpgkey=http://repo.openeuler.org/openEuler-24.03-LTS-SP4/OS/$basearch/RPM-GPG-KEY-openEuler
[update-source]name=update-sourcebaseurl=https://mirrors.huaweicloud.com/openeuler/openEuler-24.03-LTS-SP4/update/source/#metalink=https://mirrors.openeuler.org/metalink?repo=$releasever&arch=sourcemetadata_expire=1henabled=1gpgcheck=1gpgkey=http://repo.openeuler.org/openEuler-24.03-LTS-SP4/source/RPM-GPG-KEY-openEuler


▏2. 安装 Docker


🖥️ 宿主机执行


openEuler 24.03 软件仓里有 Docker,直接安装:

# 安装 Dockersudo dnf install -y docker
# 启动 Docker 并设置开机自启sudo systemctl enable --now docker
# 验证安装是否成功docker --version


▏3. 配置免 sudo 运行(可选)


🖥️ 宿主机执行


为了方便日常操作,建议将当前用户加入 docker 组,这样运行命令时无需每次都输入 sudo

# 将当前用户加入 docker 组sudo usermod -aG docker $USER
# 刷新组权限使配置立即生效newgrp docker


▏4. 拉取 openEuler 24.03与 CANN 基础镜像


🖥️ 宿主机执行


本文使用基于 openEuler 24.03 SP4 与 Python 3.11 的华为官方 CANN 9.0.0 容器镜像:

docker pull swr.cn-south-1.myhuaweicloud.com/ascendhub/cann:9.0.0-910b-openeuler24.03-py3.11-devel


▏5. 硬件与驱动


🖥️ 宿主机执行


确保宿主机已正确安装昇腾驱动,NPU 设备可见:

# 查看 NPU 设备ls /dev/davinci*# 预期输出:/dev/davinci0  /dev/davinci2  /dev/davinci_manager ...
# 查看 NPU 状态npu-smi info


运行 npu-smi info 确认 NPU 设备状态正常:



▏6. 模型权重准备


🖥️ 宿主机执行


将模型权重放到宿主机统一目录,后续容器挂载使用:

# 以 Qwen3-0.6B 为例ls /home/models/Qwen3-0.6B/# 预期包含:config.json  tokenizer.json  model*.safetensors ...


▏7. 国内镜像加速


在容器内操作前,先规划好镜像配置。以下镜像策略将在后续各框架步骤中逐一应用:





二、llama.cpp 推理环境搭建



本次 llama.cpp 编译环境位于容器内部,容器镜像基于 openEuler 24.03 LTS SP4 构建,已经配置好昇腾驱动和 CANN,无需做任何配置。


llama.cpp 是纯 C++ 实现,通过 GGML_CANN 后端驱动昇腾 NPU,它需要编译源码,且模型必须是 GGUF 格式。


版本配套:

组件
版本
llama.cpp
master 分支(最新)
CANN(容器内)
9.0.0
GGUF 量化
f16(也支持 q8_0 / q4_0)


▏Step 1:启动容器


🖥️ 宿主机执行


启动容器并挂载 NPU 设备、模型目录等:

docker run -d     --name llama-cpp-ascend-910    --device=/dev/davinci2     --device=/dev/davinci_manager     --device=/dev/devmm_svm     --device=/dev/hisi_hdc     -v /usr/local/dcmi:/usr/local/dcmi:ro     -v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi:ro     -v /usr/local/Ascend/driver:/usr/local/Ascend/driver:ro     -v /etc/ascend_install.info:/etc/ascend_install.info:ro     -v /home/models:/models     -v $(pwd)/llamacpp-workspace:/workspace/home     -v $(pwd)/pip-cache:/root/.cache/pip     -w /workspace     -p 8001:8001     --shm-size=16    --ulimit memlock=-1     --ulimit stack=67108864     -e OMP_NUM_THREADS=8     swr.cn-south-1.myhuaweicloud.com/ascendhub/cann:9.0.0-910b-openeuler24.03-py3.11-devel     sleep infinity

额外挂载 llamacpp-workspace 用于持久化源码和编译产物,二次部署可跳过编译。

-v /home/models:/models 挂载宿主机的模型权重路径,后续启动推理服务用得到,用户可自行配置这个路径。


进入容器


📦 容器内执行

docker exec -it llama-cpp-ascend-910b bash -l


▏Step 2:编译 llama.cpp


📦 容器内执行


先 source CANN 环境变量:

# 容器内执行——先 source CANN 环境变量source /usr/local/Ascend/ascend-toolkit/set_env.sh


2.1 安装编译工具链

替换 yum 源并安装编译依赖:

# 替换 openEuler 国内加速 yum 源sed -i -e 's|https://repo.openeuler.org/|https://mirrors.huaweicloud.com/openeuler/|'        -e '/^metalink=/s/^/#/' /etc/yum.repos.d/openEuler.repo
# 安装编译依赖command -v cmake  >/dev/null 2>&1 || dnf install -y cmakecommand -v git    >/dev/null 2>&1 || dnf install -y gitcommand -v gcc    >/dev/null 2>&1 || dnf install -y gcc gcc-c++ makecommand -v ccache >/dev/null 2>&1 || dnf install -y ccache

ccache 可以缓存编译中间文件,增量编译时大幅加速。


2.2 克隆源码

通过 GitHub 镜像代理加速拉取源码:

git clone --depth 1     https://ghfast.top/https://github.com/ggml-org/llama.cpp.git     /workspace/home/llama.cppcd /workspace/home/llama.cpp


2.3 编译(CANN 后端)

使用 CMake 配置并编译 llama.cpp,启用 CANN 后端:

cmake -B build -DGGML_CANN=on -DCMAKE_BUILD_TYPE=release       -DCMAKE_C_COMPILER_LAUNCHER=ccache -DCMAKE_CXX_COMPILER_LAUNCHER=ccachecmake --build build --config release -j $(nproc)

编译时间取决于机器性能,通常在几分钟到十几分钟。


2.4 验证编译产物

确认编译产物已正确生成:

ls -lh build/bin/llama-serverbuild/bin/llama-server --version


编译完成后,确认 llama-server 已正确生成并查看版本信息:


▏Step 3:准备 GGUF 模型


llama.cpp 只支持 GGUF 格式。如果你的模型目录中已有 .gguf 文件,可以直接使用;否则需要从 HuggingFace safetensors 格式转换。


国内用户推荐从 ModelScope 直接下载 GGUF 格式的权重,速度较快,本文使用的是 ModelScope 上的 unsloth/Qwen3.5-9B-GGUF,不需要转换。


情况 A:已有 GGUF 文件

ls /models/Qwen3-0.6B/*.gguf# 直接使用已有的 gguf 文件


情况 B:需要转换

pip install numpy sentencepiece transformers     -i https://mirrors.huaweicloud.com/repository/pypi/simplepython3 /workspace/home/llama.cpp/convert_hf_to_gguf.py /models/Qwen3-0.6    --outfile /models/Qwen3-0.6B/Qwen3-0.6B-f16.gguf     --outtype f16

注意:CANN9.0.0 后端目前支持 f16 / q8_0 / q4_0 量化类型,其他量化格式需要自行测试,不一定能用。


▏Step 4:启动推理服务


📦 容器内执行


启动 llama.cpp 推理服务,后台运行并将日志写入文件:

source /usr/local/Ascend/ascend-toolkit/set_env.sh
/workspace/home/llama.cpp/build/bin/llama-server     --model /models/unsloth/Qwen3.5-9B-GGUF/Qwen3.5-9B-Q8_0.gguf     --host 0.0.0.0     --port 8001     --n-gpu-layers 99     --split-mode none     --ctx-size 8192     --alias Qwen3.5-9B     > /workspace/logs/llama_server.log 2>&1 &

>>参数说明:

  • --n-gpu-layers 99:将全部层放到 NPU 上(99 表示“全部”)

  • --split-mode layer:多卡时按层切分;单卡场景可改为 none

  • --ctx-size 8192:上下文窗口大小


▏Step 5:验证服务


5.1 等待就绪

while ! curl -fsS http://127.0.0.1:8001/health 2>/dev/null; do    echo "等待服务就绪..."    sleep 5doneecho "服务已就绪!"curl -s http://127.0.0.1:8001/v1/models | python -m json.tool


5.2 curl 推理验证


发送一条测试请求,验证推理服务是否正常响应:

curl -sS http://127.0.0.1:8001/v1/chat/completions     -H "Content-Type: application/json"     -d '{        "model""Qwen3-0.6B",        "messages": [{"role""user""content""请用一句话介绍华为昇腾。"}],        "max_tokens"256,        "temperature"0,        "chat_template_kwargs": {"enable_thinking"false}    }'


推理验证返回结果如下:


▏Step 6:运行 Benchmark


📦 容器内执行


llama.cpp 使用内置的 llama-bench 工具,输出 pp(prefill 吞吐)和 tg(decode 速度),用于性能测试:

source /usr/local/Ascend/ascend-toolkit/set_env.sh
/workspace/home/llama.cpp/build/bin/llama-bench     -/models/unsloth/Qwen3.5-9B-GGUF/Qwen3.5-9B-Q8_0.gguf     -512     -2048     -3     -ngl 99     -sm none     | tee /workspace/logs/llama_cpp_benchmark.txt

>>参数说明:

  • -p:prefill(prompt processing)测试长度

  • -n:decode(text generation)测试长度

  • -r 3:每项测试重复 3 次取平均

  • -ngl 99:全部层放 NPU

  • -sm layer:多卡按层切分,单卡可直接填 none

  • -m:模型权重文件路径,GGUF 格式,可以使用 ModelScope 或者 HF 等工具下载,这里不再赘述。

输出中的 pp 对应 prefill 吞吐(tokens/s),tg 对应 decode 速度(tokens/s),分别与 vLLM / SGLang 的 TTFT 和 TPOT 含义对应。


Benchmark 测试结果:


可以修改 -n -p 参数,测试不同场景下的性能:


a. 长上下文输入


b长文本生成


▏Step 7:清理


📦 容器内 + 🖥️ 宿主机


测试完成后,停止服务并清理容器:

pkill -f llama-serverexitdocker stop llama-cpp-ascend-910bdocker rm llama-cpp-ascend-910b




三、关键指标解读



以下是 Benchmark 输出中各项指标的含义:

指标名
含义
1/pp   (prefill)
首 token 延迟 / 预填充吞吐
1/tg   (decode)
每 token 耗时 / 解码速度





四、常见问题与踩坑



1. yum install 慢

现象: yum install xxx 软件包时,下载速度缓慢。

原因:系统默认的 yum 源可能是 repo.openeuler.org,速度较慢。

修复: 替换 openEuler 国内加速 yum 源:

sed -i -e 's|https://repo.openeuler.org/|https://mirrors.huaweicloud.com/openeuler/|'        -e '/^metalink=/s/^/#/' /etc/yum.repos.d/openEuler.repo


2. CANN 后端 GGUF 量化限制

现象: 使用 q5_k_m 等量化格式运行时报错。

原因: CANN 后端的 GGML 实现仅支持 f16 / q8_0 / q4_0 三种量化格式。

修复: 转换时使用 --outtype f16q8_0 或 q4_0


3. 国内网络镜像配置汇总





五、总结



本文介绍了从环境构建到性能验证的全过程。以 openEuler 24.03 SP4 为统一的操作系统底座,逐步完成了 Docker 环境的部署以及 llama.cpp 的编译和使用,并利用 random 数据集跑通了 Benchmark 测试,输出了pp、tg 关键性能指标,验证了整套环境的可用性与稳定性。


虽然从华为云国内加速源下载 pip 依赖比较快,不过还是需要等 1、2 分钟,如果是首次构建会等更久,而且 llama.cpp 还需要本地编译,耗时比较长。


为了更方便开发者使用,接下来,openEuler 社区将引入 llama.cpp, vllm, sglang主流推理框架, 直接通过 yum  dnf 即可一键安装配置,实现开箱即用,请持续关注 openEuler 社区动态。


图片



关于 openEuler AI 北向框架适配优化专项

    本专项聚焦 openEuler 系统 AI 北向软件生态适配与性能优化,围绕大、中、小模型全场景推理、训练需求,完成 SGLang、Ollama、vLLM、PaddleOCR 等主流 AI 框架及工具链的适配兼容与性能调优,覆盖大模型推理加速、轻量化模型部署、向量语义编码、语义重排、多场景 OCR 识别等核心AI能力。专项打通系统层与 AI 应用框架的适配壁垒,解决 openEuler 环境下 AI 模型框架部署兼容差、运行低效、适配碎片化等问题,搭建标准化、高性能、全适配的北向 AI 软件栈,充分释放系统异构算力,为开发者提供开箱即用的大模型开发、微调与部署环境,完善从底层算力到上层 AI 应用的全链路生态支撑。



-END-


供稿 | 欧阳庆

编辑 | 丘云

校审 | 赵家麒、郑振宇、刘彦飞



往期推荐

一文实测!openEuler 24.03 搭建 vLLM,Benchmark 数据直观出炉

手把手实测!openEuler 24.03 部署 SGLang,Benchmark 数据出炉



关注我们,了解更多

图片